視覺SLAM的方案大全

MoNoSLAM

以擴展卡爾曼濾波爲後端，追蹤前端很是稀疏的特徵點，以相機的當前狀態和全部路標點爲狀態量，更新其均值和協方差。

優勢：在2007年，隨着計算機性能的提高，以及該系統用稀疏的方式處理圖像，使得該方案使得SLAM系統可以在線運行。（以前的SLAM系統是基本不能在線運行的，只能靠機器人攜帶相機採集的數據，再離線進行定位和建圖。）

缺點：MoNoSLAM存在應用場景窄，路標數量有限，係數特徵點很是容易丟失等缺點，如今已經中止了對其開發。

PTAM( Parallel Tracking And Mapping )

主要原理是: 從攝影圖像上捕捉特徵點，而後檢測出平面，在檢測出的平面上創建虛擬的3D座標，而後合成攝影圖像和CG。其中，獨特之處在於，立體平面的檢測和圖像的合成採用並行處理。

優勢：提出並實現了跟蹤與建圖過程的並行化，將先後端分離，使用非線性優化方案，既能夠實時的定位與建圖，也能夠在虛擬平面上疊加物體。

缺點：場景小，跟蹤容易丟失。

ORB-SLAM（繼承並改進PTAM）

優勢：泛用性：支持單目，雙目，RGB-D三種模式。整個系統圍繞ORB特徵進行計算，在效率與精度之間作到了平衡，並圍繞特徵點進行了優化。其迴環檢測算法能夠有效地防止偏差的積累。使用三個線程完成SLAM，取得了較好的跟蹤和建圖效果，可以保證軌跡和地圖的全局一致性。

缺點：對於每幅圖像都須要計算ORB特徵耗時大。三線程給CPU帶來較大負擔，在一直到嵌入式設備上有必定的困難，ORB-SLAM的建圖爲稀疏特徵點，只能知足定位功能。

LSD-SLAM（Large Scale Direct monocular SLAM）

將單目直接發應用到了半稠密的單目SLAM中，不須要計算特徵點，還能構建版稠密地圖.

優勢：直接法是針對像素進行的；對特徵缺失區域不敏感，半稠密追蹤能夠保證追蹤的實時性和穩定性；在cpu上實現了半稠密地圖的重建。

缺點：對相機內參和曝光很是敏感，而且在相機快速運動時容易丟失，在迴環檢測部分，沒有直接基於直接發實現，依賴特徵點方程進行迴環檢測，還沒有徹底擺脫特徵點的計算。

SVO（ Semi-direct Visual Odoemtry ）

基於稀疏直接法的視覺里程計，在實現中，使用了4x4的小塊進行塊匹配，估計相機資自身的運動。

優勢：速度極快，在低端計算平臺上也能達到實時性，適合計算平臺受限的場合。

缺點：在平視相機中表現不佳；捨棄了後端優化和迴環檢測部分，SVO的位姿估計存在累計偏差，而且丟失後不太容易進行重定位。

RTAB-MAP（RGB-D傳感器上的SLAM方案）

給出了一套完整的RGB-D SLAM方案，目前能夠直接從ROS中得到其二進制程序，在Google Project Tango上能夠得到其APP直接使用。

優勢：原理簡單；支持RGB-D和雙目傳感器，且提供實時的定位和建圖功能。

缺點：集成度高，龐大，在其上進行二次開發困難，適合做爲SLAM應用而非研究使用。

原文來自：http://www.linuxprobe.com/v-slam-plans.html